CN111581823A - 一种施工质量-工期-成本优化方法、装置和电子设备 - Google Patents
一种施工质量-工期-成本优化方法、装置和电子设备 Download PDFInfo
- Publication number
- CN111581823A CN111581823A CN202010384312.2A CN202010384312A CN111581823A CN 111581823 A CN111581823 A CN 111581823A CN 202010384312 A CN202010384312 A CN 202010384312A CN 111581823 A CN111581823 A CN 111581823A
- Authority
- CN
- China
- Prior art keywords
- construction
- dea
- cost
- scheme
- quality
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000010276 construction Methods 0.000 title claims abstract description 355
- 238000005457 optimization Methods 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000002068 genetic effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出了一种施工质量‑工期‑成本的优化方法、装置和电子设备,所述方法包括以下步骤:建立质量‑工期‑成本的DEA模型;获取用户偏好信息以及多个施工方案的施工参数;根据用户偏好信息确定每个施工方案中多个对输入指标的偏好程度;分别将每个所述施工方案的所述施工参数输入至所述DEA模型,计算得到每个所述施工方案对应的DEA效率;根据所述DEA效率确定最优施工方案。本发明提出的一种施工质量‑工期‑成本优化方法通过建立质量、工期、成本的DEA建模来实现对其的优化,实现高效率、高准确性的优化,通过引入用户偏好程度,来实现在具有资源约束条件和用户偏好的情况下的质量‑工期‑成本优化,实现了自适应的优化过程。
Description
技术领域
本发明属于施工技术领域,具体涉及一种施工质量-工期-成本优化方法、一种施工质量-工期-成本优化装置和一种电子设备。
背景技术
在施工工程中,对施工的质量-工期-成本的施工方案优化一直是行业内亟待解决的问题。工期、质量、成本是工程施工的三大控制目标,它们是工程项目在各个阶段的主要工作内容。目前针对工程施工工期、质量、成本多目标优化的研究多集中在某一个目标的模型或者其中两个目标之间的定性和定量约束关系上,往往忽略了工期-质量-成本三者之间的制约关系。在现有技术中,部分技术将遗传算法引入工程项目多目标优化问题上,然而遗传算法实现步骤比较烦琐,交叉、变异后还要进行选择性操作,大部分优化技术很容易陷入局部最优,很难确保优化优选的科学性;部分技术将微粒群算法引进入工程项目多目标优化问题上,但该类算法没有考虑资源约束性和用户偏好,均不能高效、准确、自适应的对工期、质量、成本的优化。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一,提供一种施工质量-工期-成本的优化方法、一种施工质量-工期-成本优化装置和一种电子设备。
本发明的一个方面,提供了一种施工质量-工期-成本的优化方法包括以下步骤:
建立质量-工期-成本的DEA模型;
获取用户偏好信息以及多个施工方案的施工参数,所述施工参数包括质量参数、工期参数和成本参数;
根据用户偏好信息确定每个施工方案中多个对输入指标的偏好程度;
分别将每个所述施工方案的所述施工参数和所述对输入指标的偏好程度输入至所述DEA模型,计算得到每个所述施工方案对应的DEA效率;
根据所述DEA效率从所述多个施工方案中确定最优施工方案。
进一步的,所述DEA模型具体为:
∈为非阿基米德无穷小量;
n为每个决策单元输出指标的数量,m为每个决策单元输入指标的数量;
xj=(x1j,x2j,……xmj)T>0,yj=(y1j,y2j,……ynj)T>0,xij为第j个决策单元对第i个输入的投入量,yrj为第j个决策单元对第r种输入的产出量,j=1,2,……t,i=1,2……m,r=1,2……n。
进一步的,根据用户偏好信息确定每个施工方案中多个对输入指标的偏好程度具体为:
根据用户偏好信息确定对成本参数输入指标的偏好程度和对工期参数输入指标的偏好程度。
进一步的,所述根据用户偏好信息确定对成本参数输入指标的偏好程度和对工期参数输入指标的偏好程度具体为:
当所述用户偏好信息为无偏好时,则所述对成本参数输入指标的偏好程度和对工期参数输入指标的偏好程度相同;
当所述用户偏好信息为偏向工期时,则所述对成本参数输入指标的偏好程度小于对工期参数输入指标的偏好程度;
当所述用户偏好信息为偏向成本时,则所述对成本参数输入指标的偏好程度大于对工期参数输入指标的偏好程度。
进一步的,所述根据所述DEA效率从所述多个施工方案中确定最优施工方案,具体为:选取多个施工方案中DEA效率最大的施工方案作为最优的施工方案。
进一步的,所述根据所述DEA效率从所述多个施工方案中确定最优施工方案,进一步为:根据所述DEA效率和所述用户偏好信息,从所述多个施工方案中确定最优施工方案。
进一步的,所述根据所述DEA效率和所述用户偏好信息,从所述多个施工方案中确定最优施工方案,具体为:
当所述用户偏好信息为无偏好时,根据所述DEA效率的最大值确定所述最优施工方案;
当所述用户偏好信息为偏向工期时,从所述多个施工方案中选取工期相对较短且所述DEA效率相对较大的一个施工方案作为所述最优施工方案;
当所述用户偏好信息为偏向质量时,从所述多个施工方案中选取质量相对较高且所述DEA效率相对较大的一个施工方案作为所述最优施工方案;
当所述用户偏好信息为偏向成本时,从所述多个施工方案中选取成本相对较短且所述DEA效率相对较大的一个施工方案作为所述最优施工方案。
本发明的另一个方面,提供了一种施工质量-工期-成本优化装置,包括
信息获取模块,用于获取用户偏好信息以及多个施工方案的施工参数,所述施工参数包括质量参数、工期参数和成本参数;
模型建立模块,用于根据所述用户偏好信息建立质量-工期-成本的DEA模型;
模型求解模块,用于分别将每个所述施工方案的所述施工参数输入至所述DEA模型,计算得到每个所述施工方案对应的DEA
效率;
选取模块,用于根据所述DEA效率从所述多个施工方案中确定最优施工方案。
进一步的,所述选取模块用于根据所述DEA效率从所述多个施工方案中确定最优施工方案,具体为:
所述选取模块,用于选取多个施工方案中DEA效率最大的施工方案作为最优的施工方案。
本发明的另一个方面,提供了一种电子设备,包括:
一个或多个处理器;
存储单元,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,能使得所述一个或多个处理器实现根据前文记载的一种施工质量-工期-成本的优化方法。
本发明提出的一种施工质量-工期-成本优化方法通过建立质量、工期、成本的DEA建模来实现对其的优化,实现高效率、高准确性的优化,进一步的,通过引入用户偏好程度,来实现在具有资源约束条件和用户偏好的情况下的质量-工期-成本优化,实现了自适应的优化过程。
附图说明
图1为本发明实施例1中提出的一种施工质量-工期-成本优化方法的流程图;
图2为本发明实施例2中提出的一种施工质量-工期-成本优化装置的结构示意图。
具体实施方式
为使本领域技术人员更好地理解本发明的技术方案,下面结合附图和具体实施方式对本发明作进一步详细描述。
实施例1
如图1所示,本发明提出了一种施工质量-工期-成本优化方法,其特征在于,包括以下步骤:
S1:建立质量-工期-成本的DEA模型;
S2:获取用户偏好信息以及多个施工方案的施工参数,所述施工参数包括质量参数、工期参数和成本参数;
S3:根据用户偏好信息确定每个施工方案中多个对输入指标的偏好程度;
S4:分别将每个所述施工方案的所述施工参数和所述对输入指标的偏好程度输入至所述DEA模型,计算得到每个所述施工方案对应的DEA效率;
S5:根据所述DEA效率从所述多个施工方案中确定最优施工方案。
本实施例中,通过DEA模型对多个已有的施工方案进行建模,通过求解所述DEA模型来得到多个已有的施工方案的DEA效率,通过比较DEA效率来从多个已有的施工方案中选取最优方案。
步骤S1中所述建立质量-工期-成本的DEA模型具体为:
其中,θ为评价结果、即DEA效率,dj为预设的模型参数,和分别为剩余变量和松弛变量,∈为非阿基米德无穷小量,一般取∈=10-6。决策单元(DMU)的数量为t个,n为每个决策单元(DMU)输出指标的数量,m为每个决策单元输入指标的数量;xj=(x1j,x2j,……xmj)T>0,yj=(y1j,y2j,……ynj)T>0,xij为第j个决策单元DMUj对第i个输入的投入量,初始值为xijo,yrj为第j个决策单元DMUj对第r种输入的产出量,初始值为yrjo,j=1,2,……t,i=1,2……m,r=1,2……n。
所述dj可根据实际情况设置,例如按下述方式进行设置:
除此以外,本领域技术人员还可以根据实际需要,采用其他的方式预设模型参数dj的具体数值,本公开实施例对此并不限制。
在本实施例中,由于是对施工方案的成本、工期和质量进行评价,因此,所述输入指标为2个,分别是成本和工期,所述输出指标为1个,即质量。
进一步的,可对上述质量-工期-成本的DEA模型进行改进,将对输入指标的偏好程度加入其中,得到质量-工期-成本的非径向超效率DEA模型。所述非径向超效率DEA模型具体为:
其中,ai表示对第i个输入指标的偏好程度,0≤ai≤1,θi为评价结果、即DEA效率,dj为预设的模型参数,和分别为剩余变量和松弛变量,∈为非阿基米德无穷小量,决策单元(DMU)的数量为t个,n为每个决策单元输出指标的数量,m为每个决策单元输入指标的数量;
xj=(x1j,x2j,……xmj)T>0,yj=(y1j,y2j,……ynj)T>0,xij为第j个决策单元对第i个输入的投入量,初始值为xijo,yrj为第j个决策单元对第r种输入的产出量,初始值为yrjo,j=1,2,……t,i=1,2……m,r=1,2……n。
所述dj可根据实际情况设置,例如按下述方式进行设置:
除此以外,本领域技术人员还可以根据实际需要,采用其他的方式预设模型参数dj的具体数值,本公开实施例对此并不限制。
在本实施例中,由于是对施工方案的成本、工期和质量进行评价,因此输入指标为2个,分别是成本和工期,输出指标为1个,即质量。
在非径向超效率DEA模型中,增加了对输入指标的偏好程度a,在上述公式中,体现为对第i个输入指标的偏好程度ai。
步骤S2中,获取用户偏好信息以及多个施工方案的施工参数,所述施工参数包括质量参数、工期参数和成本参数。
所述用户偏好信息为用户对施工方案中工程的质量、工期和成本的偏好,例如偏好质量、偏好工期、偏好成本、偏好质量和工期、偏好质量和成本、偏好工期和成本、无偏好。
所述施工参数中,所述工程的质量、工期和成本三个参数通过行业内传统的控制方法得到。例如,可通过双引号或单引号网络的工期优化方法得到施工方案的工期;可根据工期得到直接成本和间接成本,根据直接成本和间接成本求和可得到总成本;可通过专家打分等方法得到不同工期、成本投入下的工程质量。
步骤S3中,根据用户偏好信息确定每个施工方案中多个对输入指标的偏好程度。
在本实施例中,步骤S3进一步为根据用户偏好信息确定对成本参数输入指标的偏好程度和对工期参数输入指标的偏好程度,具体为:
当所述用户偏好信息为无偏好时,则所述对成本参数输入指标的偏好程度和对工期参数输入指标的偏好程度相同;
当所述用户偏好信息为偏向工期时,则所述对成本参数输入指标的偏好程度小于对工期参数输入指标的偏好程度;
当所述用户偏好信息为偏向成本时,则所述对成本参数输入指标的偏好程度大于对工期参数输入指标的偏好程度。
例如,当所述用户偏好信息为无偏好时,按平均值的方式确定对输入指标的偏好程度,即ai=1/m,其中,m为输入指标的数量,本实施例中,由于输入指标为2个,即m=2,即ai=1/2。
当所述用户偏好信息为有偏好时,则根据用户偏好信息来确定对输入指标的偏好程度。若所述用户偏好信息为偏向成本时,即用户更注重对施工项目成本的把控,则按照成本优先来确定对输入指标的偏好程度,即对成本参数输入指标的偏好程度取值大于对工期参数输入指标的偏好程度,例如成本参数输入指标的偏好程度取值为2/3,工期参数输入指标的偏好程度取值为1/3;若所述用户偏好信息为偏向工期时,即用户更注重对施工项目工期的把控,则按照工期优先来确定对输入指标的偏好程度,即对工期参数输入指标的偏好程度取值大于对成本参数输入指标的偏好程度,例如工期参数输入指标的偏好程度取值为2/3,成本参数输入指标的偏好程度取值为1/3。需要说明的是,上述说明过程中,对输入指标的偏好程度取值为1/2、1/3、2/3均为示意性说明,并不仅局限于此,也可以取其他的数值,例如工期参数输入指标的偏好程度取值为3/5、成本参数输入指标的偏好程度取值为5/7,工期参数输入指标的偏好程度取值为3/5、成本参数输入指标的偏好程度取值为2/7等。在本实施例中,选择按平均值的方式确定对输入指标的偏好程度,即均取值为1/2。
步骤S4中,分别将每个所述施工方案的所述施工参数和所述对输入指标的偏好程度输入至所述DEA模型,计算得到每个所述施工方案对应的DEA效率,具体为:
针对所述质量-工期-成本的DEA模型,求解得到θ,即为模型的DEA效率;针对所述质量-工期-成本的非径向超效率DEA模型,求解得到θi,即为模型的DEA效率。
在本实施例中,针对所述质量-工期-成本的非径向超效率DEA模型,对步骤S4进行举例说明,选取9个不同的施工方案进行DEA模型的优化,所述9个不同的施工方案具体如表1所示:
表1质量-工期-成本施工方案
表1中列出来9个不同的施工方案,所述施工方案中包括工程质量、工程工期和工程成本(工程费用)。现将9个施工方案分别代入步骤S1中建立的质量-工期-成本的非径向超效率DEA模型中,借助LINGO软件编程并求解所述9个不同施工方案的质量-工期-成本的非径向超效率DEA模型,分别求解θi和dj,根据所述θ和dj得到DEA效率,9个施工方案的DEA效率具体表2所示:
表2施工方案DEA效率
方案 | DEA效率 |
1 | 0.881 |
2 | 0.8978 |
3 | 0.9241 |
4 | 0.9339 |
5 | 0.9464 |
6 | 0.9626 |
7 | 1.0055 |
8 | 0.9925 |
9 | 0.9968 |
表2中分别列出了9个方案求解后得到的DEA效率,即所述非径向超效率DEA模型效率。
步骤S5中,根据所述DEA效率从所述多个施工方案中确定最优施工方案,具体可根据实际情况选取不同的方式来确定最优施工方案。
例如,选取多个施工方案中DEA效率最大的施工方案作为最优的施工方案。若使用这种方法来确定最优施工方案,则通过查表2可知,表2中DEA效率最大的为施工方案7,所述施工方案7的DEA效率为1.0055,高于其他施工方案的DEA效率,因此选择施工方案7为最优的施工方案,根据表1可知,即选择施工方案7,总工期19个月、总成本4.7千万元、质量水平95的方案为最优方案。
也可选择其他的方式来确定最优施工方案,例如,根据所述DEA效率和所述用户偏好信息,从所述多个施工方案中确定最优施工方案,具体为:
当所述用户偏好信息为无偏好时,根据所述DEA效率的最大值确定所述最优施工方案;
当所述用户偏好信息为偏向工期时,从所述多个施工方案中选取工期相对较短且所述DEA效率相对较大的一个施工方案作为所述最优施工方案;
当所述用户偏好信息为偏向质量时,从所述多个施工方案中选取质量相对较高且所述DEA效率相对较大的一个施工方案作为所述最优施工方案;
当所述用户偏好信息为偏向成本时,从所述多个施工方案中选取成本相对较短且所述DEA效率相对较大的一个施工方案作为所述最优施工方案。
根据所述DEA效率和所述用户偏好信息,从所述多个施工方案中确定最优施工方案的具体步骤如下所示:
选取多个施工方案中DEA效率最大的施工方案,作为一级施工方案;选取多个施工方案中与所述DEA效率最大值的差值在预设的阈值范围内的施工方案,作为二级施工方案;根据用户偏好信息,从所述一级施工方案和所述二级施工方案中选取最优施工方案。
所述预设的阈值范围为根据实际情况设置的阈值范围,例如,可以设置为(0,0.05]、(0,0.1]、(0,0.5]等。
在本实施例中,结合表1和表2进行说明:将所述预设的阈值范围取值为(0,0.015]。选取多个施工方案中DEA效率最大的施工方案,作为一级施工方案,通过查表2可知,即所述施工方案7为的DEA效率为1.0055,DEA效率最大,即所述施工方案7为一级施工方案。
选取多个施工方案中DEA效率与所述DEA效率最大值的差值在预设的阈值范围内的施工方案,作为二级施工方案,由于所述预设的阈值范围取值为(0,0.015],则选择DEA效率与1.0055的差值在(0,0.015]内的施工方案,通过查表2可知,施工方案8的DEA效率为0.9925,与1.0055的差值为0.013,施工方案9的DEA效率为0.9968,与1.0055的差值为0.0087,符合条件,其他施工方案均不符合上述条件,因此,选取施工方案8和施工方案8作为二级施工方案。
最后,从所述一级施工方案和所述二级施工方案中选取最优施工方案,本实施例中,即为从施工方案7、施工方案8和施工方案9中选取最优的施工方案,具体的选取方法可根据实际情况来确定。本实施例中,根据用户偏好信息来进行选取:如果用户对工期诉求更高,此选择三种施工方案中工期最短的方案作为最优施工方案,即选取施工方案9作为最优施工方案,即工期18个月、成本4.9千万元、质量94的施工方案;如果用户资金不够宽松,则选取成本最低的施工方案作为最优施工方案,即选取施工方案7作为最右的施工方案,即工期19个月、成本4.7千万元、质量95的施工方案;如果用户对质量的要求不是很高且需要兼顾成本和工期,则选择质量不高但成本和工期均不是最高的方案作为最优的施工方案,即选取施工方案8作为最优施工方案,即工期18.5个月、成本4.8千万元、质量94的施工方案。
通过上述方法,不仅在构建DEA模型时可以通过引入对用户偏好信息来实现有针对性的施工方案选择,再最后根据DEA效率确定最优施工方案时可以再次有针对性的进行施工方案的选择,通过两次优化,进一步保证最终选取的最优施工方案为符合用户偏好的施工方案,实现根据用户偏好和倾向对施工方案的准确选择。
综上,以成本、工期为投入变量,质量为产出变量,通过利用非径向超效率DEA模型求解出的不同施工方案的效率值,可为管理者提供直观正确的决策支持,本实施例中提出的优化方案在工期成本质量综合优化领域的适用性及科学性。
实施例2
本实施例中提出了一种施工质量-工期-成本优化装置,如图2所示,所述装置包括
信息获取模块1,用于获取用户偏好信息以及多个施工方案的施工参数,所述施工参数包括质量参数、工期参数和成本参数。对于如何接收用户的偏好信息,本实施例中并没有作出限定,示例性的,可以通过键盘、鼠标、触摸显示屏幕、语音设备等方式实现接收,但本公开实施例并不以此为限。
模型建立模块2,用于根据所述用户偏好信息建立质量-工期-成本的DEA模型,所述DEA模型具体为:
∈为非阿基米德无穷小量;
n为每个决策单元输出指标的数量,m为每个决策单元输入指标的数量;
xj=(x1j,x2j,……xmj)T>0,yj=(y1j,y2j,……ynj)T>0,xij为第j个决策单元对第i个输入的投入量,yrj为第j个决策单元对第r种输入的产出量,j=1,2,……t,i=1,2……m,r=1,2……n。
进一步的,所述模型建立模块2,根据用户偏好信息确定对成本参数输入指标的偏好程度和对工期参数输入指标的偏好程度,即模型中的参数ai,具体为:
当所述用户偏好信息为无偏好时,则所述对成本参数输入指标的偏好程度和对工期参数输入指标的偏好程度相同;
当所述用户偏好信息为偏向工期时,则所述对成本参数输入指标的偏好程度小于对工期参数输入指标的偏好程度;
当所述用户偏好信息为偏向成本时,则所述对成本参数输入指标的偏好程度大于对工期参数输入指标的偏好程度。
模型求解模块3,用于分别将每个所述施工方案的所述施工参数输入至所述DEA模型,计算得到每个所述施工方案对应的DEA效率,即求解模型中的θi。
选取模块4,用于根据所述DEA效率从所述多个施工方案中确定最优施工方案,具体为,选取多个施工方案中DEA效率最大的施工方案作为最优的施工方案。进一步的,所述选取模块4用于根据所述DEA效率和所述用户偏好信息,从所述多个施工方案中确定最优施工方案,具体为:
当所述用户偏好信息为无偏好时,根据所述DEA效率的最大值确定所述最优施工方案;
当所述用户偏好信息为偏向工期时,从所述多个施工方案中选取工期相对较短且所述DEA效率相对较大的一个施工方案作为所述最优施工方案;
当所述用户偏好信息为偏向质量时,从所述多个施工方案中选取质量相对较高且所述DEA效率相对较大的一个施工方案作为所述最优施工方案;
当所述用户偏好信息为偏向成本时,从所述多个施工方案中选取成本相对较短且所述DEA效率相对较大的一个施工方案作为所述最优施工方案。
本实施例中还提出了一种电子设备,包括:
一个或多个处理器;
存储单元,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,能使得所述一个或多个处理器实现根据前文记载的一种施工质量-工期-成本的优化方法。
可以理解的是,以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式,然而本发明并不局限于此。对于本领域内的普通技术人员而言,在不脱离本发明的精神和实质的情况下,可以做出各种变型和改进,这些变型和改进也视为本发明的保护范围。
Claims (10)
1.一种施工质量-工期-成本的优化方法,其特征在于,包括以下步骤:
建立质量-工期-成本的DEA模型;
获取用户偏好信息以及多个施工方案的施工参数,所述施工参数包括质量参数、工期参数和成本参数;
根据用户偏好信息确定每个施工方案中多个对输入指标的偏好程度;
分别将每个所述施工方案的所述施工参数和所述对输入指标的偏好程度输入至所述DEA模型,计算得到每个所述施工方案对应的DEA效率;
根据所述DEA效率从所述多个施工方案中确定最优施工方案。
3.根据权利要求2所述的方法,其特征在于,根据用户偏好信息确定每个施工方案中多个对输入指标的偏好程度:
根据用户偏好信息确定对成本参数输入指标的偏好程度和对工期参数输入指标的偏好程度。
4.根据权利要求3所述的方法,其特征在于,所述根据用户偏好信息确定对成本参数输入指标的偏好程度和对工期参数输入指标的偏好程度具体为:
当所述用户偏好信息为无偏好时,则所述对成本参数输入指标的偏好程度和对工期参数输入指标的偏好程度相同;
当所述用户偏好信息为偏向工期时,则所述对成本参数输入指标的偏好程度小于对工期参数输入指标的偏好程度;
当所述用户偏好信息为偏向成本时,则所述对成本参数输入指标的偏好程度大于对工期参数输入指标的偏好程度。
5.根据权利要求1所述的方法,其特征在于,所述根据所述DEA效率从所述多个施工方案中确定最优施工方案,具体为:选取多个施工方案中DEA效率最大的施工方案作为最优的施工方案。
6.根据权利要求1所述的方法,其特征在于,所述根据所述DEA效率从所述多个施工方案中确定最优施工方案,进一步为:根据所述DEA效率和所述用户偏好信息,从所述多个施工方案中确定最优施工方案。
7.根据6所述的方法,其特征在于,所述根据所述DEA效率和所述用户偏好信息,从所述多个施工方案中确定最优施工方案,具体为:
当所述用户偏好信息为无偏好时,根据所述DEA效率的最大值确定所述最优施工方案;
当所述用户偏好信息为偏向工期时,从所述多个施工方案中选取工期相对较短且所述DEA效率相对较大的一个施工方案作为所述最优施工方案;
当所述用户偏好信息为偏向质量时,从所述多个施工方案中选取质量相对较高且所述DEA效率相对较大的一个施工方案作为所述最优施工方案;
当所述用户偏好信息为偏向成本时,从所述多个施工方案中选取成本相对较短且所述DEA效率相对较大的一个施工方案作为所述最优施工方案。
8.一种施工质量-工期-成本优化装置,其特征在于,包括
信息获取模块,用于获取用户偏好信息以及多个施工方案的施工参数,所述施工参数包括质量参数、工期参数和成本参数;
模型建立模块,用于根据所述用户偏好信息建立质量-工期-成本的DEA模型;
模型求解模块,用于分别将每个所述施工方案的所述施工参数输入至所述DEA模型,计算得到每个所述施工方案对应的DEA效率;
选取模块,用于根据所述DEA效率从所述多个施工方案中确定最优施工方案。
9.根据权利要求8所述的装置,其特征在于,所述选取模块用于根据所述DEA效率从所述多个施工方案中确定最优施工方案,具体为:
所述选取模块,用于选取多个施工方案中DEA效率最大的施工方案作为最优的施工方案。
10.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储单元,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,能使得所述一个或多个处理器实现根据权利要求1-7中任意一项所述的一种施工质量-工期-成本的优化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010384312.2A CN111581823B (zh) | 2020-05-06 | 2020-05-06 | 一种施工质量-工期-成本优化方法、装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010384312.2A CN111581823B (zh) | 2020-05-06 | 2020-05-06 | 一种施工质量-工期-成本优化方法、装置和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111581823A true CN111581823A (zh) | 2020-08-25 |
CN111581823B CN111581823B (zh) | 2023-10-10 |
Family
ID=72112030
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010384312.2A Active CN111581823B (zh) | 2020-05-06 | 2020-05-06 | 一种施工质量-工期-成本优化方法、装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111581823B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113850447A (zh) * | 2021-10-27 | 2021-12-28 | 华电重工股份有限公司 | 一种海上风电机组基础施工的组织策略优化方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101110034A (zh) * | 2007-07-24 | 2008-01-23 | 中国科学院软件研究所 | 自动挖掘软件过程任务仓库中的高性能任务的方法和系统 |
CN103426120A (zh) * | 2013-04-24 | 2013-12-04 | 华北电力大学 | 基于可靠性的中低压配电网的综合评估方法 |
-
2020
- 2020-05-06 CN CN202010384312.2A patent/CN111581823B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101110034A (zh) * | 2007-07-24 | 2008-01-23 | 中国科学院软件研究所 | 自动挖掘软件过程任务仓库中的高性能任务的方法和系统 |
CN103426120A (zh) * | 2013-04-24 | 2013-12-04 | 华北电力大学 | 基于可靠性的中低压配电网的综合评估方法 |
Non-Patent Citations (2)
Title |
---|
丁乐群 等: "基于DEA的发电建设项目进度、成本、质量联合控制" * |
李刚 等: "引入特征AHP的PDEA评价模型研究" * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113850447A (zh) * | 2021-10-27 | 2021-12-28 | 华电重工股份有限公司 | 一种海上风电机组基础施工的组织策略优化方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111581823B (zh) | 2023-10-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chan et al. | Overview of the application of “fuzzy techniques” in construction management research | |
CN107451747B (zh) | 基于自适应非支配遗传算法的车间调度系统及其工作方法 | |
CN108364106A (zh) | 一种报销单风险预测方法、装置、终端设备及存储介质 | |
CN1354862A (zh) | 增强资产组合优化构架中的实用性和使模型风险多样化 | |
Balcomb et al. | Multi-criteria decision-making process for buildings | |
CN110599839A (zh) | 一种基于智能组卷和文本分析评阅的在线考试方法和系统 | |
CN107122890A (zh) | 个人信用得分优化评价方法 | |
US20220327398A1 (en) | Technology maturity judgment method and system based on science and technology data | |
CN111581823A (zh) | 一种施工质量-工期-成本优化方法、装置和电子设备 | |
Mouhib et al. | TSMAA‐TRI: A temporal multi‐criteria sorting approach under uncertainty | |
CN117371752A (zh) | 一种建筑施工人力调度方法、介质及系统 | |
CN116307489A (zh) | 一种基于用户行为建模的可视化动态分析方法及系统 | |
CN105184170A (zh) | 一种基于形式化程度的领域软件可信性评估方法 | |
Menzies et al. | Reusing models for requirements engineering | |
CN115827989B (zh) | 大数据环境下网络舆情人工智能预警系统及方法 | |
CN114510518B (zh) | 一种海量结构化数据的自适应聚合方法、系统及电子设备 | |
CN112381396B (zh) | 一种服务于企业发展规划的集成管理方法及系统 | |
CN114418456B (zh) | 一种基于工况的机器学习进度管控方法及相关装置 | |
CN110262869B (zh) | 私有云Paas资源供需双方信息交互方法 | |
Li et al. | Case-based reasoning approach for decision-making in building retrofit: A review | |
Zhang | Analysis and design of item bank system based on improved genetic algorithm | |
JP2005182559A (ja) | 戦略立案支援方法およびシステム | |
CN115563549A (zh) | 一种焊接缺陷成因诊断方法、系统及电子设备 | |
CN117497063A (zh) | Gan模型的构建方法和基于gan模型的数据拟合、表型预测、样本扩充以及育种的方法 | |
CN115759613A (zh) | 双资源约束的柔性作业车间鲁棒调度方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |